本文探讨了使用长短期记忆（LSTM）模型进行卫星图像时间序列的土地覆盖分类，结果表明其在复杂图像分类中优于传统方法。研究比较了RNN、GRU和ARIMA等多种预测模型，强调了模型的可解释性及其在火灾预测中的应用潜力，建议整合更长时间序列和空间信息以提高预测准确性。

本文介绍了SeasFire数据立方体的开发，旨在通过深度学习模型预测全球火灾的发生。该数据立方体包含59个变量，如气候和植被，时间分辨率为8天，空间分辨率为0.25度，涵盖2001至2021年。此外，研究提出了个性化早期警告系统，以帮助居民应对野火风险，减少损失。

该文综述了利用卫星影像与深度学习监测亚马逊雨林的研究，涵盖合成孔径雷达多时相数据、多模态数据增强、注意力引导UNet等方法，用于森林砍伐检测与火灾预测，最高像素准确率达93.45%；还介绍了DeepAqua自监督模型分割水域，以及机器学习替代物理模型预测水位，以提升预警能力。